Apprendimento automatico

Fabio Del Frate ha conseguito presso l’Università di Roma “Tor Vergata” la laurea specialistica in Ingegneria Elettronica (1992) e il dottorato di ricerca in Informatica (1997). Nel 1995-1996 è stato Visiting Scientist presso il Massachusetts Institute of Technology e dal 1998 al 1999 ha lavorato presso l’Agenzia Spaziale Europea. Successivamente è entrato a far parte dell’Università di Roma “Tor Vergata”, dove attualmente è professore associato di Telerilevamento ed Elettromagnetismo Applicato in vari programmi di Master e Dottorato. Su questi temi è stato docente in diverse università europee, nonché principal investigator / project manager in diversi progetti finanziati dall’Agenzia Spaziale Europea (ESA) e dall’Agenzia Spaziale Italiana (ASI), conducendo attività di ricerca nel campo dell’Intelligenza Artificiale applicata ai dati satellitari per l’Osservazione della Terra (di seguito indicata come “EO”).

Che cos’è l’apprendimento automatico?

Direi che il machine learning è un possibile, credo al momento il più utilizzato, processo tecnico per generare intelligenza artificiale all’interno di una macchina. Abbiamo già visto che ci sono due attori principali: i dati e il modello, più esattamente un modello matematico. La sfida è trovare i parametri del modello matematico in modo che possa rappresentare le relazioni tra i dati. Tutto si basa sulla creazione di un processo di apprendimento basato sui dati stessi. Possiamo avere diversi tipi di modelli, ad esempio reti neurali o macchine vettoriali di supporto e, di conseguenza, diversi algoritmi per apprendere il modello. L’obiettivo finale, tuttavia, è sempre lo stesso: estrarre conoscenza dai dati utilizzati nel processo di addestramento e applicare questa conoscenza estratta a nuovi dati. A proposito, la valutazione della bontà delle prestazioni del modello sui nuovi dati, cioè sui dati non considerati durante la fase di addestramento, è molto importante. Ci dice quanto il modello sia applicabile nel mondo reale, quanto sia in grado di generalizzare.

In ogni caso, la qualità e la quantità dei dati utilizzati durante la fase di apprendimento sono fattori cruciali per una performance di successo. In particolare, la quantità di dati deve essere statisticamente significativa per fornire le caratteristiche rilevanti del fenomeno che si vuole indagare. Un’altra importante questione chiave è decidere quanto complesso debba essere il nostro modello matematico. Sarebbe un problema serio se scegliessimo un modello troppo semplice per cercare relazioni molto sottili tra i dati ma, allo stesso tempo, se le regole alla base dei dati sono meno complicate, anche la struttura del modello può essere più leggera, a volte…. meno è meglio, come diciamo noi, dove meno si riferisce al numero di parametri che caratterizzano il modello.

Inoltre, la complessità del modello ha anche a che fare con il tempo necessario per addestrare il modello e con la quantità di dati necessari per l’implementazione del processo di apprendimento completo.

Che cos’è l’apprendimento supervisionato? Può fare qualche esempio di applicazioni che lo utilizzano?

Direi che l’apprendimento supervisionato è il ramo più comune dell’apprendimento automatico oggi. L’apprendimento supervisionato è una forma di apprendimento in cui, per un dato input, è disponibile un risultato “vero” e questa verità può essere insegnata al modello. In altre parole, come insegnante o supervisore, per ogni input dato al modello sappiamo quale dovrebbe essere l’output del modello e vogliamo che il modello incorpori la regola generale. In genere, questo avviene minimizzando quello che viene chiamato errore o funzione di costo, che rappresenta la distanza tra i valori di uscita desiderati e i valori di uscita effettivi generati dal modello durante la fase di addestramento. In realtà, si può ritenere che l’apprendimento supervisionato abbia successo quando l’errore complessivo finale su un insieme di esempi, che non sono stati utilizzati durante la fase di addestramento, è inferiore a una soglia predefinita. La fase di addestramento può essere molto lunga, ma una volta conclusa correttamente, si dispone di uno strumento molto potente, che opera sostanzialmente in tempo reale, per l’elaborazione dei nuovi dati. L’apprendimento supervisionato può essere utile in molti campi. Un’applicazione piuttosto massiccia riguarda la classificazione delle immagini. In questo caso i dati veri sono quelli etichettati dall’interpretazione umana delle immagini. La classificazione può essere eseguita a vari livelli: livello di pixel, livello di patch, livello di oggetto. Il livello di classificazione guida la scelta dell’input che si vuole dare al modello. Più in particolare, l’apprendimento supervisionato è oggi molto applicato nell’Osservazione della Terra, dove si vuole effettuare una stima dei parametri bio-geofisici a partire dai dati raccolti dai satelliti. Un esempio interessante riguarda il precision farming in agricoltura. Se vogliamo monitorare la biomassa di una coltura per ottimizzare la quantità di fertilizzante da utilizzare, possiamo sfruttare le misure satellitari effettuate su quella coltura. Tuttavia, soprattutto nella regione delle microonde dello spettro elettromagnetico, l’estrazione dei parametri della vegetazione non è banale perché la misura è anche, diciamo, contaminata dal terreno sottostante, per cui i modelli supervisionati dall’IA possono sicuramente essere uno degli strumenti che ci permettono di recuperare quella parte di informazioni nella misura più legata alla vegetazione, scartando quella più condizionata dal terreno.

Esistono vari raggruppamenti di algoritmi di Machine Learning, ad esempio regressione, classificazione e così via. Può spiegare la loro importanza e le differenze tra loro?

Esistono varie possibilità di raggruppare gli algoritmi di apprendimento automatico. Credo che la principale si basi sul tipo di modello matematico. In particolare, come già detto, abbiamo modelli per l’addestramento supervisionato e modelli per l’addestramento non supervisionato. Per quanto riguarda i primi, tra i più importanti abbiamo le reti neurali, profonde o superficiali, le macchine a vettori di supporto, gli alberi decisionali, le tecniche di ensemble. Per i modelli non supervisionati possiamo citare k-means, analisi delle componenti principali, reti neurali auto-associative, mappe auto-organizzate e così via.

Ma, come sottolineato dalla domanda, un’altra possibilità di raggruppare gli algoritmi di apprendimento automatico riguarda la distinzione tra regressione e classificazione. Una volta fornito un certo input al nostro modello matematico, la differenza tra regressione e classificazione si basa principalmente sul tipo di output che ci interessa. Nel caso della classificazione, l’output sarà un’etichetta, una classe. Ad esempio, consideriamo ancora una volta un’applicazione satellitare in cui il telerilevamento viene utilizzato per la meteorologia. Supponiamo quindi di dover fare un’analisi meteorologica e di voler decidere quale pixel di un’immagine del cielo deve essere associato a un cielo nuvoloso e quale a un cielo sereno, in modo che lo scopo finale sia quello di produrre una mappa in cui rappresentiamo con il colore blu i pixel di cielo sereno e con il colore grigio i pixel di cielo nuvoloso. In questo caso diciamo che vogliamo ottenere una mappa di classificazione. Per la regressione, in sostanza, vogliamo che il nostro modello matematico, come risposta alla sua elaborazione dei dati, calcoli, o stimi, un numero, più in generale un numero a valore reale. Quindi, se consideriamo lo stesso scenario impostato sulla meteorologia, vogliamo sapere dai dati telerilevati quanto è l’umidità o il tasso di precipitazione, numeri reali, in una determinata area. Tuttavia, è interessante notare come un problema di regressione possa essere tradotto in un problema di classificazione. Questo è ciò che accade se dico: in questo intervallo di valori di precipitazione, quindi tra questi due numeri, ho la classe “precipitazione bassa”, in quest’altro intervallo o gamma ho “precipitazione moderata”, e così via. In questo caso mappo intervalli di valori in classi.

Grazie, Prof. Fabio Del Frate, l’abbiamo apprezzato molto. È stata un’istantanea chiara e interessante delle caratteristiche dell’intelligenza artificiale e delle relative applicazioni.